Progettazione DOE per studiare specificamente la varianza (o std dev)Gentile comunità JMP,
Sperando di ascoltare alcune riflessioni riguardo a un progetto DOE mirato all'esame delle deviazioni standard di un metodo di prova.
I miei colleghi hanno un test che eseguono su un prodotto che realizziamo e vogliono vedere se possono modificare parti della metodologia di test per ridurre le deviazioni standard. Non sono a conoscenza di una piattaforma DOE specifica in JMP progettata per farlo, quindi abbiamo finito per utilizzare la piattaforma personalizzata.
Dopo alcune discussioni, abbiamo stabilito quattro fattori che potrebbero essere modificati: X1 - fattore continuo (-1,1), X2 - fattore continuo (-1,1), X3 - categoriale a 2 livelli (L1, L2) e X4 - 6 livelli categoriali (L1-L6). Eravamo davvero interessati a ciascuno dei quattro effetti principali e alle loro interazioni di primo ordine: X1, X2, X3, X4, X1 * X2, X1 * X3, X1 * X4, X2 * X3, X2 * X4 e X3 * X4 (10 effetti in tutto). Abbiamo scelto 36 come numero totale di run. Ma, al fine di ottenere una stima della deviazione standard in ogni impostazione, abbiamo replicato il DOE per un totale di 4 volte, per un totale di 144 test. Era più o meno tutto quello che potevamo permetterci.
Ovviamente possiamo eseguire la valutazione DOE su tutti i 144 test per stimare la risposta media (e il rumore della sperimentazione) con i fattori del modello, cosa che abbiamo fatto. Ma quello che vogliamo veramente vedere è se un'impostazione di trattamento ha modificato o meno la deviazione standard del metodo di test. Il modo in cui lo abbiamo fatto è stato calcolare una deviazione standard dalle analisi replicate (ora di nuovo a 36 punti dati) ed eseguire quei risultati attraverso il modello.
Per me, tutto questo sembra un modo ragionevole per eseguire un DOE in cui l'obiettivo è valutare i cambiamenti nelle deviazioni standard e non nei mezzi. Tuttavia, se esiste un approccio migliore (forse per esperienza), o un DOE specificamente progettato per farlo, saremmo lieti di apprenderlo e forse adottarlo per i prossimi tentativi.
Pensieri e feedback molto apprezzati.
Grazie!,
DS
PS Nel caso foste interessati, dopo aver valutato tutte le misurazioni individuali e le deviazioni standard dai replicati, abbiamo scoperto che il fattore X4 ha avuto il maggiore impatto sulle deviazioni standard. Sfortunatamente, quando in seguito abbiamo eseguito alcune esecuzioni di verifica, ora confrontando solo 32 esecuzioni (in totale) su due dei livelli in X4, i risultati non supportavano il DOE originale e non abbiamo potuto vedere il miglioramento della deviazione standard che speravamo ( tra i lati positivi, non è andata peggio!).
AnalyticsDOERi: progetto DOE per studiare specificamente la varianza (o sviluppo std)Ecco alcuni dei miei pensieri, anche se la tua descrizione della situazione non è sufficiente per fornire consigli specifici.
1. Per chiarire ti interessa capire quali fattori possono influenzare la variazione del sistema di test (precisione). Esistono ipotesi sul fatto che la precisione sia influenzata da strumenti od operatori diversi? Se è così, questo è riproducibilità precisione. Se è solo dovuto alla variazione dello strumento, questo è ripetibilità precisione. Perché questo è importante, è perché vuoi sapere come acquisire le misurazioni in modo che vengano utilizzate le statistiche di riepilogo appropriate. C'è interesse per la stabilità? E la discriminazione?
2. È necessario considerare le variabili di risposta e come verranno ottenute. Non so cosa stai testando? Non vedo alcuna informazione su quanti campioni verranno misurati? Dovresti eseguire misurazioni ripetute dello stesso campione per ottenere errori di misurazione (forse nella stessa posizione). Se includi op-to-op o solo la precisione della ripetibilità dovrebbe essere una funzione delle tue ipotesi.
3. Se hai davvero replicato, hai confuso la variazione da trattamento a trattamento con errori di misurazione. Non è così che affronterei il problema. Userei le ripetizioni, non le repliche per ottenere le statistiche di riepilogo corrette. Pensa a quali dati vengono utilizzati per stimare la statistica riassuntiva (ad esempio, deviazione standard). Cosa cambia tra questi punti dati? Si desidera solo che i componenti di misurazione vengano catturati nei punti dati (ridurre al minimo gli altri componenti all'interno del sottogruppo) che si sta utilizzando per stimare la deviazione standard.
4. Non so dove ti trovi nel continuum della conoscenza, ma hai polarizzato il tuo studio sul fattore X4 testandolo a così tanti livelli (pensa ai gradi di libertà). Avrei iniziato con tutti i fattori a 2 livelli (scegli gli estremi delle categorie del fattore 4) e procedevo come se fosse un disegno di screening.
Ri: progetto DOE per studiare specificamente la varianza (o sviluppo std)Ciao @statman ,
Grazie per i tuoi commenti e feedback. Per rispondere ai tuoi commenti / domande:
1. Sì, le persone che gestiscono il DOE erano interessate a modificare diversi fattori che pensavano fossero più influenti sul rumore del test. È noto che ciascuno dei fattori testati influisce sulla risposta media delle misurazioni, ma volevamo vedere se i fattori e le loro interazioni potessero anche portare a un miglioramento del rumore. I test precedenti hanno dimostrato che gli strumenti coinvolti e gli operatori non sono rumorosi come la metodologia di test. Uno dei grandi problemi con questo test è che abbiamo a che fare con polvere a grana piccola con quantità molto piccole - meno di 1/4 di grammo. Quindi, la mia ipotesi è che la segregazione indotta dalla dimensione delle particelle abbia un ruolo importante. Uno dei fattori testati è stata la quantità, ma non siamo riusciti a trovare alcun miglioramento nelle deviazioni standard utilizzando più materiale.
2/3. Dal primo post, ho detto che in base ai 10 fattori (effetti principali e interazioni), JMP ha consigliato 36 corse. Ogni corsa (trattamento) è stata misurata quattro volte al fine di calcolare un dev std per ogni trattamento, quindi sono state eseguite un totale di 144 misurazioni individuali. Quindi, per rispondere alla tua preoccupazione, abbiamo eseguito misurazioni ripetute dello "stesso" campione. Metto tra virgolette perché il campione di prova viene consumato nel processo del test. Tuttavia, il materiale di partenza è stato generato per ogni corsa e i campioni da questo sono stati quindi misurati più volte (4) per ogni trattamento. Replicare potrebbe non essere il termine giusto, ma è quello che abbiamo fatto in JMP per aumentare il DOE e tenere traccia di ogni esecuzione che dovevamo fare.
4. X4 ha a che fare con il fatto che abbiamo a che fare con polveri e abbiamo bisogno di guardare diverse gamme di PSD, da qui i molti livelli di X4. Sappiamo da test precedenti che l'estremità bassa e alta del PSD ha un grande impatto sulla media della risposta, e c'era un'indicazione che lo std dev potrebbe essere ridotto. I livelli extra sono stati aggiunti per vedere se possiamo usare dimensioni PSD più strette per ridurre il rumore. Questo DOE ha finito per fornire un'indicazione che è possibile, ma le prove di verifica non hanno supportato tale risultato. Gli altri fattori sono tutte impostazioni alto / basso, solo due delle quali sono effettivamente continue.
Sfortunatamente, il nostro materiale è una polvere e le polveri non si comportano "bene" come unità semiconduttori o oggetti lavorati per esempio. Penso che la metodologia sia intrinsecamente rumorosa a causa di questo e sia buona quanto sta per arrivare.
Grazie ancora per i tuoi pensieri, alcuni buoni punti da considerare per i miei colleghi quando vogliono fare qualcosa di simile in futuro.
Grazie!,
DS
Ri: progetto DOE per studiare specificamente la varianza (o sviluppo std)OK, grazie per ulteriori informazioni che hai fornito sulla situazione. Non so ancora quali caratteristiche / proprietà delle polveri stai cercando di quantificare?
Se ho capito bene, questa misurazione è alterante o distruttiva (il campione identico non può essere misurato due volte). Poiché questo è il caso, è impossibile separare la ripetibilità della misurazione dalla variazione da campione a campione. In questi casi, ci sono alcune opzioni per "polarizzare" l'effetto sulla componente di misurazione. Ho allegato i miei appunti su come gestirlo.
Non si dovrebbero analizzare le ripetizioni (che sono annidate nel trattamento) come repliche. È possibile esaminare quei 4 punti dati su un grafico di controllo dell'intervallo e quindi riepilogare quei 4 punti dati per ogni trattamento (media e dev. Std. Ad esempio) se appropriato. Il modello che più ti interessa è per la variabile di risposta di std dev. (o statistica riepilogativa equivalente)
Repliche-combinazioni di trattamento cambiano tra ogni "punto dati" (di solito chiamiamo queste unità sperimentali ... sono considerate indipendenti e possono essere trattate come tali).
Si ripete - le combinazioni di trattamenti NON cambiano tra i "punti dati". Questi non sono da considerarsi eventi indipendenti (quindi non aumentano i gradi di libertà) e questa variazione è annidata nel trattamento.
Solo il mio commento parziale ... quando si sperimenta su livelli per fattori> 2, sono sospettoso di scegliere la mentalità "vincente". Quello che voglio fare prima è un confronto equo per vedere quali fattori / interazioni hanno un effetto sulla variazione e quindi in un'iterazione successiva mettere a punto l'impostazione del livello per i fattori che sono significativi.
Direi che ogni situazione ha le sue sfide intrinseche. Polveri non più di altre. Ho usato analizzatori delle dimensioni delle particelle per aiutare a comprendere la distribuzione delle dimensioni delle particelle, SEM per la composizione chimica e la topografia e persino un OJAY per le nanomisure.
